[发明专利]一种应用深度数据分布约束的运动估计方法

说明书

本发明公开了一种应用深度数据分布约束的运动估计方法，本专利方案主要针对视觉 SLAM 中从相邻两次图像数据估计机器人运动的需求，使用特征提取算法提取特征点和特征点描述子，对于特征点根据距离分为近点和远点两类，分别使用RANSAC方法剔除错误结果，使得最终的匹配结果中，能够存在相对合理数量的近距离特征点和远距离特征点，并在此基础上改善机器人位姿运动估计的精度和稳定性。

技术领域

本发明涉及计算机视觉技术领域，具体为一种应用深度数据分布约束的运动估计方法。

背景技术

近年来移动机器人感知环境的技术不断发展，机器人同时估计自身位置和构建环境地图技术（Simultaneous Localization and Mapping, SLAM）是实现智能化机器人的关键技术。当移动机器人位于未知场景中且无法通过外部信息直接获取自身位置和姿态信息时，机器人本体需要分析自身传感器实时数据同时完成自身位置的估计和环境地图的构建。

SLAM 问题可以描述为：机器人在未知环境中从初始点出发，运动时通过外部传感器获得的环境观测信息以及内部的里程计数据实现自定位，同时在此基础上结合传感器观测信息逐步构建环境地图，其主要流程如图6所示。

早期机器人定位主要借助于激光雷达、IMU、距离传感器等，而随着计算机视觉的发展，相机以其廉价、低功率、数据丰富的特点在 SLAM 领域得到广泛的应用，被称为视觉SLAM。机器人在运动的过程中，安装在机器人本体的上的RGB-D相机能够实时采集图像数据。RGB-D相机上的彩色摄像头记录了环境的彩色图像数据，RGB-D相机上的深度摄像头记录了对应彩色图像上像素点距离机器人本体的距离信息，我们称之为深度数据。

视觉 SLAM 利用摄像机作为获取环境场景信息的工具，能够从抓取的图像中得到非常丰富的图像特征，根据机器人工作环境和任务要求，从可重复性，准确性，稳定性，效率以及不变性等特点出发来评价和确定具体要采用的特征提取方式，然后选取合适的特征表达方法（如特征描述子），保证特征的提取和表达既能够准确的反应真实环境信息又便于高效处理。

为了获得完整一致的环境地图，机器人需要通过局部与全局的数据关联才能将在不同时间不同地点获得的观测信息进行整合。数据关联指的是对不同图像间相同特征的匹配关联以及闭环检测过程（Loop closure detection），其中RGB-D相机拍摄到的相邻图像的特征对应关系确定代表的是局部数据关联，可用于估计机器人在这段时间的运动。错误的数据关联往往会带来非常严重的问题，引发错误的运动估计，从而使得地图构建出现不一致和混乱，因此研究准确高效的数据关联和运动估计算法成为视觉SLAM中的关键技术。

目前基于RGB-D数据的视觉SLAM技术虽然已经得到了很大的发展，但针对 RGB-D数据中的深度信息的利用依然较为单调，深度数据中所包含的信息在SLAM中相邻关键帧的匹配应用值得进一步的研究，且依旧没有一个公认准确的解决方案。

在视觉 SLAM 中，为了计算两帧图像间移动机器人的运动大小，必须充分的利用这两帧图像所包含的相同信息。通常的做法是利用从图像中还原得到的点的三维信息进行ICP（迭代最近点，Iterative Closest Point）匹配来估计图像间的运动。ICP 算法通常用于对两个具有运动关系的二维或者三维的点集进行配准对齐，以求解得到点集间的旋转和平移变换关系。无论两个点集间点的对应关系是否已知，ICP 都能够通过不断地迭代来力求求解最优值。

针对点的匹配又有两种不同的操作方式：一种是将两帧图像中从图像中得到的全部三维点进行匹配，另一种即通过挑选两帧图像中具有共同典型特征的点进行匹配。